From the above figure, we see that

From the above figure, we see that passing in the
segmented images to the OCR engine performs better than
passing in the full image, except for the Bytes Café menu. The
decrease in accuracy in Bytes Café menu might be attributed
to the MATLAB’s OCR engine, which is built on top of the
Google’s open source Tesseract algorithm. Since the Tesseract
algorithm would run through the query image twice, the first
time for adaptive classification and the second time using the
information from original database and the training data from
all the words found in the first round, by segmenting the dish
names, we have lost such benefits of using adaptive
classification from other words. Nonetheless, we have shown
that in other cases, such loss of information from the first
0
0.1
0.2
0.3
0.4
0.5
0.6
-90-80-70-60-50-40-30-20-10 0 10 20 30 40 50 60 70 80 90
Accuracy
Rotation (degree)
No Rotation Fix With Rotation Fix
0
0.2
0.4
0.6
0.8
1
1.2
Ray's Menu Thanksgiving
Menu
Bytes Menu Multifont
Menu
Accuracy
Full Image Segmented Image
Image Capture
User Define
ROI
Featureless
Rotation
Dish Name
Segmentation
Character
Recognition
OCR Error
Correction
Dish Image
Lookup
Display Image
round of adaptive classification for segmentation may boost
the accuracy of the OCR

Kết quả (Việt) 1:

Từ con số trên, chúng ta thấy rằng thông qua trong cácCác hình ảnh phân đoạn cho động cơ OCR thực hiện tốt hơnđi qua trong các hình ảnh đầy đủ, ngoại trừ đơn byte Café. Cáclàm giảm độ chính xác trong quán cà phê byte đơn có thể được quy choCác động cơ OCR của MATLAB, mà được xây dựng trên đầu trang của cácThuật toán Tesseract mã nguồn mở của Google. Kể từ khi Tesseractthuật toán sẽ chạy qua các hình ảnh truy vấn hai lần, lần đầu tiênthời gian cho thích ứng phân loại và các thứ hai thời gian bằng cách sử dụng cácthông tin từ cơ sở dữ liệu ban đầu và các dữ liệu đào tạo từTất cả các từ tìm thấy trong vòng đầu tiên, bởi segmenting các món ăntên, chúng tôi đã mất những lợi ích của việc sử dụng thích nghiphân loại từ những từ khác. Tuy nhiên, chúng tôi có hiển thịtrong trường hợp khác, như mất thông tin từ những người đầu tiên00,10,20,30.40,50,6-90-80-70-60-50-40-30-20-10 0 10 20 30 40 50 60 70 80 90Độ chính xácXoay (mức độ)Không sửa chữa quay với sửa chữa tự quay00,20.40,60.811.2Lễ Tạ ơn của ray đơnThực đơnByte đơn MultifontThực đơnĐộ chính xácHình ảnh đầy đủ hình ảnh phân đoạnChụp ảnhNgười dùng xác định ROIVới Xoay vòngTên món ănPhân khúcNhân vật Công nhậnOCR lỗi Chỉnh sửaHình ảnh món ăn Tra cứuHiển thị hình ảnhvòng của các phân loại thích ứng cho phân khúc có thể tăngđộ chính xác của OCR

Kết quả (Việt) 2:

Từ hình trên, chúng ta thấy rằng đi qua trong các
hình ảnh được phân khúc với động cơ OCR thực hiện tốt hơn so với
đi qua trong các hình ảnh đầy đủ, trừ các đơn Bytes Café. Việc
giảm độ chính xác trong trình đơn Bytes Café có thể được gán
cho động cơ OCR của MATLAB, được xây dựng trên đầu trang của các
thuật toán Tesseract mã nguồn mở của Google. Kể từ khi Tesseract
thuật toán sẽ chạy qua các hình ảnh truy vấn hai lần, lần đầu tiên
thời gian để phân loại thích nghi và lần thứ hai bằng cách sử dụng
thông tin từ cơ sở dữ liệu ban đầu và dữ liệu huấn luyện từ
tất cả các từ tìm thấy trong vòng đầu tiên, bằng cách phân chia các món ăn
tên, chúng ta có mất lợi ích như thế của việc sử dụng thích nghi
phân loại các từ khác. Tuy nhiên, chúng tôi đã chỉ ra
rằng trong các trường hợp khác, việc mất mát thông tin từ người đầu tiên
0
0,1
0,2
0,3
0,4
0,5
0,6
-90-80-70-60-50-40-30-20-10 0 10 20 30 40 50 60 70 80 90
độ chính xác
Rotation (độ)
Không Rotation Fix Với Rotation Fix
0
0,2
0,4
0,6
0,8
1
1,2
Ray đơn Tạ Ơn
menu
Bytes đơn Multifont
menu
chính xác
đầy đủ hình ảnh phân đoạn ảnh
Chụp ảnh
tài Xác định
ROI
gì đặc biệt
xoay
Dish Tên
Segmentation
Character
Recognition
OCR Lỗi
Correction
Dish ảnh
Lookup
hiển thị hình
tròn phân loại thích nghi để phân đoạn có thể làm tăng
độ chính xác của OCR